工程图纸和工程量清单是每个建筑项目信息密集的骨干。从机器学习角度来看,它们也是最难解析的文档之一。
如果你试图为建筑行业构建领域专用 AI——估算模型、规格搜索系统、合规检查器——第一个障碍不是模型。而是从文档中提取训练数据。
为什么工程图纸破坏标准 OCR
符号密集内容。 标准 OCR 模型没有专用符号的训练数据。
多布局页面。 单张 A1 图纸可能包含平面视图、剖面图、标题栏、修订历史和一般注释。
注释层。 CAD 导出的 PDF 包含尺寸、注释和引线,位于与主图几何不同的层上。
工程量清单为什么不同(也很难)
工程量清单是高度结构化的表格数据,但以建筑行业特有的方式结构化。
混合 PDF 格式。 表格结构可能在屏幕上看起来完美,但在 PDF 中表示为任意 X-Y 坐标处的断开文本片段。
多页项目描述。 复杂的工程量清单项目描述可能跨越三四行。页面断行中断项目描述。
提取流水线
阶段 1:文档分类。 阶段 2:图纸提取。 阶段 3:工程量清单提取。 阶段 4:交叉引用链接。 阶段 5:质量评分。
结构化输出示例
{
"item_code": "03.04.12",
"description": "钢筋混凝土,等级 C35/45,地面以上柱中,含模板、振捣和养护",
"quantity": 127.5,
"unit": "m3",
"drawing_refs": ["S-201", "S-202", "D-C-04"],
"section": "结构混凝土",
"division": "下部结构"
}为什么这必须在本地完成
建筑公司不能将大型项目档案发送到云 API 进行处理。文档包含商业敏感的数量、费率和规格。700GB 的文档档案不是你通过 API 运行的批处理任务。
提取流水线应完全在本地机器上运行。

